CN114298913B - 一种优化加速的深度图超分辨率插值方法 - Google Patents
一种优化加速的深度图超分辨率插值方法 Download PDFInfo
- Publication number
- CN114298913B CN114298913B CN202210238241.4A CN202210238241A CN114298913B CN 114298913 B CN114298913 B CN 114298913B CN 202210238241 A CN202210238241 A CN 202210238241A CN 114298913 B CN114298913 B CN 114298913B
- Authority
- CN
- China
- Prior art keywords
- pixel
- scale
- depth map
- window
- kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种优化加速的深度图超分辨率插值方法,通过预先定义预采样核,将窗口内的各个像素点与该窗口的四个已知像素点的坐标关系存储在预采样核,并将浮点型数值计算优化成整型数值计算,在不损失精度的前提下达到优化速度的目的,提高了插值算法的效率。本发明在边界处采用不同的插值策略,在重建过程中消除边界处的金字塔噪声问题,无需再次对重建后的深度图进行去噪处理,减少了计算量和耗时。本发明为了消除超分辨率重建后的深度图在空洞区域存在大量噪声的问题,选择在重建前对低分辨率深度图即原始深度图进行去噪、空洞检测和空洞填充的处理,消除低分辨率深度图的噪声和空洞问题。
Description
技术领域
本发明涉及图像数据处理的技术领域,尤其是一种优化加速的深度图超分辨率插值方法。
背景技术
相比于传统图像,深度图是一种特殊的图像,它用于记录场景的几何信息。近年来,结合纹理图和深度图的RGB-D数据格式已广泛应用于虚拟现实、三维重建等高新技术方面。随着成像技术的不断提高,高质量的纹理图已实现移动设备的获取。然而,作为现代多媒体重要组成部分的深度图的获取质量却不尽如人意。目前,主流的基于飞行时间的TOF,基于结构光技术的深度传感器技术获取到的深度图分辨率低且易受到环境光噪声的干扰,所以需要对原始深度图进行超分辨率重建和去噪处理。图像的分辨率指图像中每英寸有多少个像素点,分辨率越高,图像中包含的信息量就越大,细节信息就越丰富。图像超分辨率是指通过图像处理算法提升原图像的分辨率,从而提升图像的质量。
深度图超分辨率重建方法可以分为单深度图超分辨率重建和基于纹理图指导的超分辨率重建两大类。深度图超分辨率重建本质上来说都是低分辨率图像向高分辨率图像的上采样插值的过程,但是,现有技术的插值算法是浮点型数据,计算量大,整个重建效率变慢。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种优化加速的深度图超分辨率插值方法,通过预先定义预采样核,将浮点型数值计算优化成整型数值计算,提高插值算法的效率,达到优化速度的目的。
为实现上述目的,本发明采用以下技术方案,包括:
一种优化加速的深度图超分辨率插值方法,包括以下步骤:
S1,对原始深度图进行上采样处理,上采样倍率为scale;
S2,确定上采样处理后的深度图即重建深度图上各个像素点的像素值;具体如下所示:
S21,从重建深度图的左上角像素点开始,采用大小为(scale+1)*(scale+1),移动步长为scale的窗口,遍历重建深度图,分别确定各个窗口内的像素点像素值;
其中,大小为(scale+1)*(scale+1)的窗口,即分为(scale+1)行、(scale+1)列,共包括(scale+1)*(scale+1)个像素点;
根据上采样原理,各个窗口在重建深度图上均存在四个已知像素值的像素点即已知像素点,分别为:该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点;
S22,窗口内的各个像素点与该窗口的四个已知像素点的坐标关系存储在预采样核kernel中,预采样核kernel的大小为(scale+1)*(scale+1)*4,即预采样核kernel为(scale+1)行、(scale+1)列的矩阵,包含(scale+1)*(scale+1)个元素,且矩阵中的每个元素包含4个参数;
预采样核kernel中第i行第j列的元素中4个参数分别为:
kernel[i][j][0]=1.0*(scale-i)*(scale-j);
kernel[i][j][1]=1.0*(scale-i)*(j);
kernel[i][j][2]=1.0*(i)*(scale-j);
kernel[i][j][3]=1.0*(i)*(j);
其中,i=0,1,...scale,j=0,1,...scale;
若某窗口的四个已知像素点即该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点分别为Q1、Q2、Q3、Q4;则该窗口内第di行第dj列的像素点P与该窗口的四个已知像素点即Q1、Q2、Q3、Q4的坐标关系分别为kernel[di][dj][0]、kernel[di][dj][1]、kernel[di][dj][2]、kernel[di][dj][3];
其中,di=0,1,...scale,dj=0,1,...scale;
S23,根据该窗口的四个已知像素点的像素值,以及该窗口内的像素点P与该窗口的四个已知像素点的坐标关系,计算得到该窗口内像素点P的像素值f(P),具体如下所示:
f(P)=Sum(P)/(scale*scale);
Sum(P)=f(Q1)kernel[di][dj][0]+f(Q2)kernel[di][dj][1]+f(Q3)kernel[di][dj][2]+f(Q4)kernel[di][dj][3];
其中,f(Q1)、f(Q2)、f(Q3)、f(Q4)分别为该窗口的四个已知像素点即Q1、Q2、Q3、Q4的像素值。
步骤S23中,若f(Q1)、f(Q2)、f(Q3)、f(Q4)中存在一个为0,则表示该像素点P为边界点,且该像素点P的像素值f(P)=f(Q1)。
步骤S2中,采用移动步长为scale的窗口遍历重建深度图,相邻两窗口的边缘处存在重合的像素点,针对相邻两窗口之间重合的像素点,利用后遍历的窗口计算该像素点的像素值。
在步骤S1之前,先对原始深度图依次进行去噪处理和空洞处理。
采用连通域检测的去噪方法进行去噪处理,具体方式为:
设置连通域检测阈值和连通域面积阈值;
遍历原始深度图,判断某像素点与该像素点的相邻像素点之间的像素值关系,若像素值关系小于连通域检测阈值,则该像素点与该像素点的相邻像素点统计为一个连通域;直到原始深度图遍历结束,原始深度图被划分为若干个连通域;判断各个连通域内的像素点个数是否小于连通域面积阈值,若小于连通域面积阈值,则表示该连通域为噪声,将该连通域内的像素点的像素值均赋值为0。
对去噪处理后的原始深度图进行空洞处理,具体如下所示:
对去噪处理后的原始深度图进行空洞检测,检测出像素值为0的像素点,得到空洞区域;
设置遍历窗口大小,遍历空洞区域,对空洞区域中的像素点即空洞点的像素值进行赋值,空洞点的像素值为该空洞点的遍历窗口中像素点的像素平均值。
本发明的优点在于:
(1)本发明为了提高插值算法的效率,通过预先定义预采样核,并将浮点型数值计算优化成整型数值计算,在不损失精度的前提下达到优化速度的目的。
(2)现有技术中,重建后的深度图在边界处存在金字塔噪声,重建后还需要再次对深度图进行去噪,额外增加了计算量和耗时。本发明在边界处采用不同的插值策略,在重建过程中消除边界处的金字塔噪声问题,无需再次对重建后的深度图进行去噪处理,减少了计算量和耗时。
由于现有技术针对原始深度图空洞区域没有特殊处理,导致重建后的空洞区域都是噪声。本发明为了消除超分辨率重建后的深度图在空洞区域存在大量噪声的问题,选择在重建前对低分辨率深度图即原始深度图进行去噪、空洞检测和空洞填充的处理,消除低分辨率深度图的噪声和空洞问题。
附图说明
图1为本发明的一种优化加速的深度图超分辨率插值方法的流程图。
图2为上采样倍率scale=2的插值示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由图1所示,本发明提供一种优化加速的深度图超分辨率插值方法,包括以下步骤:
S1,采用连通域检测的去噪方法对原始深度图进行去噪处理,具体方式为:
设置连通域检测阈值和连通域面积阈值;
遍历原始深度图,判断某像素点与该像素点的相邻像素点之间的像素值关系,若像素值关系小于连通域检测阈值,则该像素点与该像素点的相邻像素点统计为一个连通域;直到原始深度图遍历结束,原始深度图被划分为若干个连通域;判断各个连通域内的像素点个数是否小于连通域面积阈值,若小于连通域面积阈值,则表示该连通域为噪声,将该连通域内的像素点的像素值均赋值为0。
S2,对去噪处理后的原始深度图进行空洞处理,包括空洞检测和空洞填充;具体如下所示:
对去噪处理后的原始深度图进行空洞检测,检测出像素值为0的像素点,得到空洞区域;
设置遍历窗口大小,遍历空洞区域,对空洞区域中的像素点即空洞点的像素值进行赋值,空洞点的像素值为该空洞点遍历窗口中像素点的像素平均值。
S3,对空洞处理后的原始深度图进行上采样即放大图像,上采样倍率为scale。
若直接采用双线性插值的方法,所述双线性插值是指在两个方向分别进行一次线性插值,为两个变量的插值函数的线性值扩展;已知原始深度图上四个像素点的坐标分别为u11(x1,y1)、u12(x1,y2)、u21(x2,y1)、u22(x2,y2),对应的像素值分别为f(u11)、f(u12)、f(u21)、f(u22);对原始深度图的该四个像素点中进行双线性插值,插值点t的坐标为t(x,y),其中,x1<x<x2,y1<y<y2,则双线性插值后的插值点t的像素值f(t)为:
f(t)=f(u11)*(x2-x)*(y2-y)+f(u12)*(x2-x)*(y-y1)
+f(u21)*(x-x1)*(y2-y)+f(u22)*(x-x1)*(y-y1);
上式中,(x2-x)*(y2-y)、(x-x1)*(y2-y)、(x2-x)*(y-y1)、(x-x1)*(y-y1)表示该插值点t与该四个像素点的坐标关系。
根据上式可知,由于每一次双线性插值都需要计算一次插值点t与周边四个像素点的坐标关系,因此计算量很大。
为此,本发明将这种坐标关系提前计算得出并预先存储在预采样核中,具体如下所示:
以上采样倍率scale=2为例,由图2所示,其中,像素点1、3、7、9即为四个已知像素点,像素点1、3、7、9的像素值分别为f(1)、f(3)、f(7)、f(9),根据双线性插值计算公式可知,各个像素点像素值的计算公式如下:
f(1)=f(1)*1+f(3)*0+f(7)*0+f(9)*0
f(2)=f(1)*(1/2)+f(3)*(1/2)+f(7)*0+f(9)*0
f(3)=f(1)*0+f(3)*1+f(7)*0+f(9)*0
f(4)=f(1)*(1/2)+f(3)*0+f(7)*(1/2)+f(9)*0
f(5)=f(1)*(1/4)+f(3)*(1/4)+f(7)*(1/4)+f(9)*(1/4)
f(6)=f(1)*0+f(3)*(1/2)+f(7)*0+f(9)*(1/2)
f(7)=f(1)*0+f(3)*0+f(7)*1+f(9)*0
f(8)=f(1)*0+f(3)*0+f(7)*(1/2)+f(9)*(1/2)
f(9)=f(1)*0+f(3)*0+f(7)*0+f(9)*1
对上述公式进行提取,得到一个预采样核kernel’,其大小为3*3*4,即为3行3列的矩阵,包含3*3个元素,且矩阵中的每个元素包含4个参数,预采样核kernel’具体如下所示:
从上述预采样核kernel’可以看出,该预采样核kernel’存在浮点型数据,若带入插值公式会存在4次浮点型乘法计算,因此,本发明对该预采样核kernel’进行优化处理,优化后的预采样核kernel,具体如下所示:
优化后的预采样核kernel中的数值为:
kernel[0][0]=[4,0,0,0];
kernel[0][1]=[2,2,0,0];
kernel[0][2]=[0,4,0,0];
kernel[1][0]=[2,0,2,0];
kernel[1][1]=[1,1,1,1];
kernel[1][2]=[0,2,0,2];
kernel[2][0]=[0,0,4,0];
kernel[2][1]=[0,0,2,2];
kernel[2][2]=[0,0,0,4];
以kernel[0][0]=[4,0,0,0]为例,其中,
kernel[0][0][0]=4;
kernel[0][0][1]=0;
kernel[0][0][2]=0;
kernel[0][0][3]=0;
从而得到各个像素点的像素值计算公式即插值公式,如下所示:
根据上述公式可知,对预采样核进行优化处理后,将原先的4次浮点型乘法计算转变成整型计算,大大提高了插值效率和速度。
依次类推,采样倍率为scale,预采样核kernel的大小为(scale+1)*(scale+1)*4,即预采样核kernel为(scale+1)行、(scale+1)列的矩阵,包含(scale+1)*(scale+1)个元素,且矩阵中的每个元素包含4个参数;
预采样核kernel中第i行第j列的元素中4个参数分别为:
kernel[i][j][0]=1.0*(scale-i)*(scale-j);
kernel[i][j][1]=1.0*(scale-i)*(j);
kernel[i][j][2]=1.0*(i)*(scale-j);
kernel[i][j][3]=1.0*(i)*(j);
其中,i=0,1,...scale,j=0,1,...scale;
S4,确定上采样处理后的深度图即重建深度图上各个像素点的像素值;具体如下所示:
根据上采样原理,若已知原始深度图中某像素点的坐标为(x,y),该像素点的像素值为f(x,y),则重建深度图中的坐标为(x*scale,y*scale)的像素点像素值即对应为f(x,y);
其中,以深度图的左上角像素点为坐标系原点,以深度图的水平方向为x轴方向,以深度图的竖直方向为y轴方向;
S41,从重建深度图的左上角像素点开始,采用大小为(scale+1)*(scale+1),移动步长为scale的窗口,遍历重建深度图,分别确定各个窗口内的像素点像素值;
其中,大小为(scale+1)*(scale+1)的窗口,分为(scale+1)行、(scale+1)列,共包括(scale+1)*(scale+1)个像素点;
根据上采样原理,各个窗口在重建深度图上均存在四个已知像素值的像素点即已知像素点,分别为:该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点;
S42,窗口内的各个像素点与该窗口的四个已知像素点的坐标关系预先存储在上述优化后的预采样核kernel中;
若当前窗口的四个已知像素点即该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点分别为Q1、Q2、Q3、Q4,该窗口内的某像素点P在重建深度图上的坐标为(dx,dy),且该像素点P在该窗口内位于第di行、第dj列的位置,则该像素点P与该窗口的四个已知像素点即Q1、Q2、Q3、Q4的坐标关系分别为kernel[di][dj][0]、kernel[di][dj][1]、kernel[di][dj][2]、kernel[di][dj][3];其中,di=0,1,...scale,dj=0,1,...scale;
S43,根据该窗口的四个已知像素点的像素值,以及该窗口内的像素点P与该窗口的四个已知像素点的坐标关系,计算得到该窗口内像素点P的像素值f(P),具体如下所示:
该窗口的四个已知像素点Q1、Q2、Q3、Q4的像素值分别为f(Q1)、f(Q2)、f(Q3)、f(Q4);
若f(Q1)、f(Q2)、f(Q3)、f(Q4)都不为0,则该像素点P的像素值f(P)为:
f(P)=Sum(P)/(scale*scale);
Sum(P)=f(Q1)kernel[di][dj][0]+f(Q2)kernel[di][dj][1]+f(Q3)kernel[di][dj][2]+f(Q4)kernel[di][dj][3];
Sum(P)为求和函数;
若f(Q1)、f(Q2)、f(Q3)、f(Q4)中存在一个0,则表示该像素点P为边界点,该像素点P的像素值f(P)为:f(P)=f(Q1)。
另外,本发明采用大小为(scale+1)*(scale+1),移动步长为scale的窗口,遍历重建深度图,因此,本发明在遍历重建深度图过程中,相邻的两窗口的边缘处存在重合的像素点,针对相邻的两窗口之间重合的像素点,可以利用先遍历的窗口计算像素值,或者利用后遍历的窗口计算像素值,或者利用相邻两窗口分别计算像素值后取平均值。本实施例中,选择利用后遍历的窗口计算重合的像素点像素值。
将本发明方法与直接采用双线性插值方法进行对比,具体如下表1所示:
表1
表1中插值时间的单位为毫秒。
根据上述插值时间的对比可知,本发明通过预先定义采样核,并将浮点型数值计算优化成整型数值计算,达到优化速度的目的,提高了插值算法的效率。
综上所述,本发明在重建前对低分辨率深度图进行去噪、空洞检测和空洞填充等处理,消除低分辨率深度图噪声和空洞问题;本发明在边界处采用不同的插值策略,在重建过程中消除边界处的金字塔噪声问题,无需再次对重建后的深度图进行去噪处理,减少了计算量和耗时;本发明为了提高插值算法的效率,通过预先定义采样核,并将浮点型数值计算优化成整型数值计算,在不损失精度的前提下达到优化速度的目的。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (6)
1.一种优化加速的深度图超分辨率插值方法,其特征在于,包括以下步骤:
S1,对原始深度图进行上采样处理,上采样倍率为scale;
S2,确定上采样处理后的深度图即重建深度图上各个像素点的像素值;具体如下所示:
S21,从重建深度图的左上角像素点开始,采用大小为(scale+1)*(scale+1),移动步长为scale的窗口,遍历重建深度图,分别确定各个窗口内的像素点像素值;
其中,大小为(scale+1)*(scale+1)的窗口,分为(scale+1)行、(scale+1)列,共包括(scale+1)*(scale+1)个像素点;
根据上采样原理,各个窗口在重建深度图上均存在四个已知像素值的像素点即已知像素点,分别为:该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点;
S22,窗口内的各个像素点与该窗口的四个已知像素点的坐标关系存储在预采样核kernel中,预采样核kernel的大小为(scale+1)*(scale+1)*4,即预采样核kernel为(scale+1)行、(scale+1)列的矩阵,包含(scale+1)*(scale+1)个元素,且矩阵中的每个元素包含4个参数;
预采样核kernel中第i行第j列的元素中4个参数分别为:
kernel[i][j][0]=1.0*(scale-i)*(scale-j);
kernel[i][j][1]=1.0*(scale-i)*(j);
kernel[i][j][2]=1.0*(i)*(scale-j);
kernel[i][j][3]=1.0*(i)*(j);
其中,i=0,1,...scale,j=0,1,...scale;
若某窗口的四个已知像素点即该窗口的左上角像素点、右上角像素点、左下角像素点、右下角像素点分别为Q1、Q2、Q3、Q4;则该窗口内第di行第dj列的像素点P与该窗口的四个已知像素点即Q1、Q2、Q3、Q4的坐标关系分别为kernel[di][dj][0]、kernel[di][dj][1]、kernel[di][dj][2]、kernel[di][dj][3];
其中,di=0,1,...scale,dj=0,1,...scale;
S23,根据该窗口的四个已知像素点的像素值,以及该窗口内的像素点P与该窗口的四个已知像素点的坐标关系,计算得到该窗口内像素点P的像素值f(P),具体如下所示:
f(P)=Sum(P)/(scale*scale);
Sum(P)=f(Q1)kernel[di][dj][0]+f(Q2)kernel[di][dj][1]+f(Q3)kernel[di][dj][2]+f(Q4)kernel[di][dj][3];
其中,f(Q1)、f(Q2)、f(Q3)、f(Q4)分别为该窗口的四个已知像素点即Q1、Q2、Q3、Q4的像素值。
2.根据权利要求1所述的一种优化加速的深度图超分辨率插值方法,其特征在于,步骤S23中,若f(Q1)、f(Q2)、f(Q3)、f(Q4)中存在一个为0,则表示该像素点P为边界点,且该像素点P的像素值f(P)=f(Q1)。
3.根据权利要求1所述的一种优化加速的深度图超分辨率插值方法,其特征在于,步骤S2中,采用移动步长为scale的窗口遍历重建深度图,相邻两窗口的边缘处存在重合的像素点,针对相邻两窗口之间重合的像素点,利用后遍历的窗口计算该像素点的像素值。
4.根据权利要求1或2或3所述的一种优化加速的深度图超分辨率插值方法,其特征在于,在步骤S1之前,先对原始深度图依次进行去噪处理和空洞处理。
5.根据权利要求4所述的一种优化加速的深度图超分辨率插值方法,其特征在于,采用连通域检测的去噪方法进行去噪处理,具体方式为:
设置连通域检测阈值和连通域面积阈值;
遍历原始深度图,判断某像素点与该像素点的相邻像素点之间的像素值关系,若像素值关系小于连通域检测阈值,则该像素点与该像素点的相邻像素点统计为一个连通域;直到原始深度图遍历结束,原始深度图被划分为若干个连通域;判断各个连通域内的像素点个数是否小于连通域面积阈值,若小于连通域面积阈值,则表示该连通域为噪声,将该连通域内的像素点的像素值均赋值为0。
6.根据权利要求4所述的一种优化加速的深度图超分辨率插值方法,其特征在于,对去噪处理后的原始深度图进行空洞处理,具体如下所示:
对去噪处理后的原始深度图进行空洞检测,检测出像素值为0的像素点,得到空洞区域;
设置遍历窗口大小,遍历空洞区域,对空洞区域中的像素点即空洞点的像素值进行赋值,空洞点的像素值为该空洞点的遍历窗口中像素点的像素平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238241.4A CN114298913B (zh) | 2022-03-11 | 2022-03-11 | 一种优化加速的深度图超分辨率插值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238241.4A CN114298913B (zh) | 2022-03-11 | 2022-03-11 | 一种优化加速的深度图超分辨率插值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298913A CN114298913A (zh) | 2022-04-08 |
CN114298913B true CN114298913B (zh) | 2022-05-31 |
Family
ID=80978562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238241.4A Active CN114298913B (zh) | 2022-03-11 | 2022-03-11 | 一种优化加速的深度图超分辨率插值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298913B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651127A (zh) * | 2012-04-01 | 2012-08-29 | 深圳市万兴软件有限公司 | 一种超分辨率重建的图像处理方法及系统 |
CN106355552A (zh) * | 2016-08-27 | 2017-01-25 | 天津大学 | 一种基于虚拟视点绘制质量的深度图上采样方法 |
CN106384331A (zh) * | 2016-09-05 | 2017-02-08 | 大连理工大学 | 一种基于精密位移的高分辨率图像合成方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881000B (zh) * | 2012-09-07 | 2016-05-18 | 华为技术有限公司 | 一种视频图像的超分辨率方法、装置和设备 |
JP2014123173A (ja) * | 2012-12-20 | 2014-07-03 | Sony Corp | 画像処理装置、撮像装置及び画像処理方法 |
US20160284052A1 (en) * | 2015-03-25 | 2016-09-29 | Novatek Microelectronics Corp. | Image processing method and apparatus |
-
2022
- 2022-03-11 CN CN202210238241.4A patent/CN114298913B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651127A (zh) * | 2012-04-01 | 2012-08-29 | 深圳市万兴软件有限公司 | 一种超分辨率重建的图像处理方法及系统 |
CN106355552A (zh) * | 2016-08-27 | 2017-01-25 | 天津大学 | 一种基于虚拟视点绘制质量的深度图上采样方法 |
CN106384331A (zh) * | 2016-09-05 | 2017-02-08 | 大连理工大学 | 一种基于精密位移的高分辨率图像合成方法 |
Non-Patent Citations (2)
Title |
---|
Single Image Super Resolution Enhancement Method Based on Fractal Interpolation of Iteration Function System;Sihua He,etc;《2021 2nd International Conference on Computer Information and Big Data Applications》;20210328;1-7 * |
一种图像快速线性插值的实现方案与分析;王杰,李洪兴,等;《电子学报》;20090715;第37卷(第07期);1481-1486 * |
Also Published As
Publication number | Publication date |
---|---|
CN114298913A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651938A (zh) | 一种融合高分辨率彩色图像的深度图增强方法 | |
CN112037129B (zh) | 图像超分辨率重建方法、装置、设备及存储介质 | |
CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
CN106485182A (zh) | 一种基于仿射变换的模糊qr码复原方法 | |
CN107749987A (zh) | 一种基于块运动估计的数字视频稳像方法 | |
CN112418165B (zh) | 基于改进型级联神经网络的小尺寸目标检测方法与装置 | |
CN114529459A (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
KR20050030569A (ko) | 화상 처리 장치 및 그 방법 | |
CN111914756A (zh) | 一种视频数据处理方法和装置 | |
CN113723399A (zh) | 一种车牌图像矫正方法、车牌图像矫正装置和存储介质 | |
CN114937073A (zh) | 一种基于多分辨率自适应性的多视角立体重建网络模型MA-MVSNet的图像处理方法 | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及系统 | |
CN113225589B (zh) | 一种视频插帧处理方法 | |
CN114298913B (zh) | 一种优化加速的深度图超分辨率插值方法 | |
CN113542868A (zh) | 视频关键帧选取方法、装置、电子设备、存储介质 | |
CN115546027B (zh) | 图像缝合线确定方法、装置以及存储介质 | |
CN115358962B (zh) | 一种端到端视觉里程计方法及装置 | |
CN116503248A (zh) | 一种针对原油储罐的红外图像校正方法及校正系统 | |
CN112132914A (zh) | 一种图像尺度空间建立方法及图像处理芯片 | |
Vosters et al. | Evaluation of efficient high quality depth upsampling methods for 3DTV | |
CN113012132A (zh) | 一种图像相似度确定方法、装置及计算设备、存储介质 | |
Li et al. | Resolution enhancement from document images for text extraction | |
CN116129036B (zh) | 一种深度信息引导的全方向图像三维结构自动恢复方法 | |
CN111985535A (zh) | 一种通过神经网络优化人体深度图的方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |